Valószínűségi következtető és döntéstámogató rendszerek

Valószínűségi következtető és
döntéstámogató rendszerek

Tárgykód	VIMIMA06
Általános infók
Szak	info MSc
Kredit	4
Ajánlott félév	1
Tanszék	MIT
Követelmények
NagyZH	1 db
Házi feladat	7/4 kicsi + 1 nagy
Vizsga	nincs
Elérhetőségek
Tantárgyi adatlap
Tárgyhonlap

Követelmények

• Kéthetente „kis” gyakorlati feladatot kell megoldani és 10 napon belüli határidőre benyújtani.
• A félév során 8. héten egy „nagy” átfogó házi feladatot adunk ki, amelyet a félév végéig kell benyújtani.
• A félév során 13. héten egy zárthelyi dolgozatot kell megírni.
• A félévközi jegy megszerzésének a feltétele a 7 kis feladatból legalább négynek és a nagy házi feladatnak határidőre, elfogadható szinten történő beadása és a zárthelyi elfogadható szinten történő teljesítése.
• A félévvégi jegy a félévközi kisfeladatok (40%), a nagy házi feladat (20%) és a zárthelyi eredmény (40%) alapján kerül megállapításra.
• A kis feladatok "tömeges" pótlása nem lehetséges. A nagy házi feladat és a zárthelyi a pótlási héten pótolható.
• Konzultáció a gyakorlati feladatok esetében páratlan heteken a gyakorlat idejében kérhető.

Segédanyagok

2013-ban készült egy kidolgozás vizsgához, feltöltöttem ide. (Vannak benne hibák, inkább arra ajánlanám, ha már nincs sok időtök a készülésre.) Kidolgozás -- Bartók Ferenc

2015-től megújult a tárgy. A régi tárgyhonlap: http://www.mit.bme.hu/oktatas/targyak/vimim221.

Nagy házi(2016)

• Specifikáció - 2014
• Specifikáció - 2015
• Mintamegoldás - 2015
• BayesCube - Manual
• BayesCube - Útmutató
• BayesCube - Segédlet

Kis házik (2016)

1. "kis" gyakorlati feladat:

• Naív Bayes-háló alapú döntési háló építése, ajánlottan egy SPAM szűrő készítése.
• A feladatban egy 3-5 csomópontú Naív (vagy általános) Bayes-hálót kell elkészíteni, és legalább 3 beállításban dokumentálni kell a modell szerint prediktált valószínűségeket.
• Modell és 2 oldalas dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/.
• Határidő: március 6. 24.00.
• Elméleti felkészüléshez szakirodalom: az első két elméleti órán vett anyag háttéranyagai és az MI Almanach ezen fejezete is:
  • https://mialmanach.mit.bme.hu/aima/ch13s06
• Gyakorlati felkészüléshez:
  • http://bioinformatics.mit.bme.hu/ honlapon a Tools lapon.
  • [| BayesCube kézikönyv]
  • [| BayesCube XP/Win7/Win8, LINUX és Macintosh verziók]
  • WIN10 esetében LINUX virtuális gép futtatását javasoljuk, amelyben a LINUX verzió használható!
  • [| Tanszéki SPAM statisztika]

2. "kis" gyakorlati feladat:

• Rejtett Markov Modell (RMM) építése, ajánlottan egy automata modellezésére.
• A feladatban a gyakorlat során is már megismert bináris RMM használata a cél, ajánlottan egy (étel/ital/jegy..) automata jó/rossz állapotának a kikövetkeztetésére. Tételezzük fel, hogy adott valószínűséggel elromlik, megjavítják, sőt megjavul(!), amit szekvenciális tudunk megfigyelni (pl. kiadja a kért dolgot vagy nem).
• Követve a laborsilabuszt, a megoldásban kérem mutassátok be a következőket:

1. Végezzük el a szimulációt hosszabb dobássorozatokra is.
2. Vizsgáljuk meg a modell paramétereinek hatását az eredményekre (állapotátmenet-valószínűségek, kibocsátási valószínűség-eloszlás, prior állapot-valószínűségek).
3. Egészítsük ki az ábrát, hogy ne csak az állapot poszterior valószínűségét, hanem az adott időpontban a legvalószínűbb állapotot is megjelenítse! Figyeljük meg, hogy ez hogyan különbözik a Viterbi útvonaltól, illetve a szimulált állapotoktól. Melyik közelíti jobban a valóságot? Számszerűsítsük a különbségeket (viterbi vs. szimulált) <=> (legvalószínűbb állapotok sorozata vs. szimulált)!

• Modell és 2-5 oldalas dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/.
• Határidő: március 20. 24.00.
• Elméleti felkészüléshez szakirodalom: az első két elméleti órán vett anyag háttéranyagai és az MI Almanach ezen fejezete is:
  • http://mialmanach.mit.bme.hu/aima/ch15s03
• Gyakorlati felkészüléshez:
  • laborsilabuszt (https://www.mit.bme.hu/system/files/oktatas/targyak/9890/hmm_labor.zip)

4. "kis" gyakorlati feladat:

• Kiterjesztett Naív Bayes-hálók, zajos-VAGY modellek, és döntési gráfos lokális modellek használata

1. Hozzunk létre egy Naív Bayes-hálót (N-BN).
2. Vizsgáljuk meg az előbb létrehozott N-BN átírását Noisy-OR/Zajos-VAGY lokális modellt tartalmazó Bayes-hálóba. Hasonlítsuk össze a célváltozóra vonatkozó feltételes eloszlás parametrikus alakjait, szabad paraméterek számát, közelítés jóságát adott esetekben.
3. Finomítsuk az N-BN modellt feltételesen függőnek tekinthető változók összekötésével. Vizsgáljuk meg ezek hatását a diagnosztikai következtetésre adott esetekben.
4. Hozzunk létre egy döntési gráfos lokális modellt tartalmazó Bayes-hálót, ami szintén az N-BN-ben elhanyagolt függések pontosabb modellezését teszi lehetővé.
5. Opcionális++: Hozzunk létre új csomópontokat is tartalmazó, hiearchikus, Noisy-OR lokális modelleket tartalmazó Bayes-hálót az interakciók modellezésére (lásd hierarchikus N-BN-ek).

• Beadandó: BayesCube XML modellek és 2-3 oldalas dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/.
• Határidő: április 17. 24.00.
• Háttéranyagok: előadás + BayesCube felhasználói dokumentációk

5. "kis" gyakorlati feladat:

• Egzakt következtetés Bayes-hálókban

1. Idézzük fel az általános és a polifa Bayes-hálókban való egzakt következtetés komplexitásait (ld. jegyzet).
2. Mi határozza meg a jegyzetben leírt klikkfán alapuló egzakt következtetés komplexitását?
3. Vizsgáljuk meg a BayesCube-ban implementált klikkfa alapú következtetés által létrehozott klikkek számát és a klikkek állapotterének maximumát a következő modellosztályokban:
   1. Naív Bayes-hálókban, fa-összekötött Naív Bayes hálókban, általános összekötésű Naív Bayes-hálókban
   2. Elsőrendű és magasabb rendű Markov láncokban.
   3. Pontosan egy irányítatlan kört tartalmazó Bayes-hálókban.
4. Egy tetszőleges Bayes-hálóban (például a készülő nagyHF-beli Bayes-hálóban) mutassunk példát és következtetéssel ellenőrízzük is az irányított-elválasztás ("d-szeparáció") 3 alesetének fennállását és sérülését is: "benti-áthaladó", "benti-széttartó" és "kinti-összetartó+leszármazott(ak)".
5. Egy tetszőleges, alkalmas Bayes-hálóban mutassunk példát az "oksági", "diagnosztikai" és a "kimagyarázás" következtetés típusokra.
6. Egy tetszőleges, alkalmas Bayes-hálóban egy önkényesen megválasztott célváltozó esetén mutassunk példát Markov-takarókra és (a) Markov-határra.

• Beadandó: BayesCube XML modellek és 2-3 oldalas dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/.
• Határidő: május 1. 24.00.
• Háttéranyagok: előadás + BayesCube felhasználói dokumentációk

Intelligens rendszerek - Mérnök informatikus MSc
1. félév (tavasz)	Adatbiztonság  •  Formális módszerek  •  Gépi tanulás  •  Kooperáció és intelligencia  •  Rendszeroptimalizálás  •  Valószínűségi következtető és döntéstámogató rendszerek
2. félév (ősz)	Alkalmazott algebra  •  Beágyazott intelligens rendszerek  •  Információ és tudás integrálás  •  Kooperáció és gépi tanulás laboratórium  •  Matematikai logika  •  Nyelvek és automaták  •  Szoftverarchitektúrák
3. félév (tavasz)	Beágyazott intelligens rendszerek laboratórium
Egyéb	Kötelezően választható tárgyak  •  Mérnöki menedzsment  •  Befektetések  •  Érvelés, tárgyalás, meggyőzés  •  Információs társadalom joga  •  Minőségmenedzsment  •  Projektmenedzsment  •  Vállalati jog  •  Vezetői számvitel